[发明专利]一种基于卷积神经网络的管道场景识别方法

说明书

本发明提供了一种基于卷积神经网络的管道场景识别方法，包括以下步骤：采集不同场景的多处管道的音频数据，形成场景类别的标签集；选取不同标签下的多处管道录制音频数据，形成原始音频文件集D；构建识别模型；训练并评估识别模型；采集未识别的管道的音频数据并进行特征提取，利用模型对未识别的管道进行识别。通过本申请提供的管道场景识别方法，仅需要通过音频设备采集管道音频数据，即可对管道所处环境进行识别，无需人工进一步测量。

技术领域

本发明涉及管道场景识别技术领域，具体涉及一种基于卷积神经网络的管道场景识别方法。

背景技术

在城市供水系统中，埋在地下的大小管道形成供水管网，利用这些管网将水送到千家万户，管道质量直接影响着城市承载能力。城市管道场景复杂，不同的场景对管道运行状况，以及故障发生后的维修工作的要求大不相同。尤其是医院场景，许多认为因素可能造成管道运行故障，而后续的维修等工作又要考虑医院正常运转等诸多因素，所以对地下管道运行工作环境进行识别，是城市管道运行状态分析的重要内容，其结果可作为辅助信息，帮助进行管道事件检测，减少误判的可能性。

目前对于管道运行工作环境识别的方法存在以下问题：

1、现有的管道运行工作环境监测方法主要通过人工测量，工作人员需要到达现场对管道状态进行记录，智能化程度低，人力成本高；

2、对于已建成且运营时间长的管道，其工作环境可能发生变化，如不能及时掌握管道的运行工作环境数据，管道运行状态的判断可能存在偏差，将影响管道安全运营；

综上所述，急需一种基于卷积神经网络的管道场景识别方法以解决现有技术中存在的问题。

发明内容

本发明目的在于提供一种基于卷积神经网络的管道场景识别方法，具体技术方案如下：

一种基于卷积神经网络的管道场景识别方法，包括以下步骤：

S1：采集不同场景的多处管道的音频数据，形成场景类别的标签集T＝(t₁,t₂,...,t_n)，其中，t_n代表管道对应的第n种场景；

S2：选取不同标签下的多处管道录制音频数据，形成原始音频文件集D＝(d₁,d₂,...,d_n)，d_n表示第n个原始音频文件；对原始音频文件集D中每个原始音频文件进行特征提取，形成波形图特征集W＝(w₁,w₂,...,w_n)作为模型的输入数据集，w_n表示第n个场景中管道对应的波形图特征矩阵；对原始音频文件集D中每个原始音频文件，将其独热编码为一个向量，形成概率值集合Y＝(y₁,y₂,...,y_n)，y_n表示第n个场景管道对应的波形图的概率值；

S3：构建识别模型：搭建一个一维卷积神经网络，用于对特征集W进行处理，搭建一个全连接神经网络，用于分类；所述一维卷积神经网络包括输入层、一维卷积层、最大池化层、全局平均池化层、批量标准化层以及Leaky ReLU层；所述全连接神经网络包括输入层、全连接层、Dropout层、批量标准化层、Leaky ReLU层以及Softmax层；

S4：对波形图特征集W和概率值集合Y进行划分，将其中的80％作为训练数据集，其余20％作为评估数据集；选择交叉熵作为损失函数，随机梯度下降作为识别模型训练过程中的优化算法，设置模型的超参数以及预期准确率；通过训练数据集训练识别模型，通过评估数据集评估识别模型；

S5：采集未识别的管道的音频数据并进行特征提取，利用模型对未识别的管道进行识别。